import os
import gradio as gr
from qdrant_client import QdrantClient
from transformers import ClapModel, ClapProcessor
from huggingface_hub import Repository

# Récupérer le référentiel (repository) de votre espace Hugging Face
repo = Repository()

# Récupérer les secrets à partir des paramètres secrets
qdrant_url = repo.config.get("QDRANT_URL")
qdrant_key = repo.config.get("QDRANT_KEY")



if not qdrant_url or not qdrant_key:
    raise ValueError("QDRANT_URL and QDRANT_KEY must be set as environment variables.")

client = QdrantClient(qdrant_url, qdrant_key)

# Chargement de la base de données Qdrant en local
print("[INFO] Client créé...")

# Chargement du modèle
print("[INFO] Chargement du modèle...")
model_name = "laion/clap-large-v2"
model = ClapModel.from_pretrained(model_name)
processor = ClapProcessor.from_pretrained(model_name)

# Interface Gradio
max_results = 10

def sound_search(query):
    text_inputs = processor(text=query, return_tensors="pt")
    text_embed = model.get_text_features(**text_inputs)[0]

    hits = client.search(
        collection_name="demo_spaces_db",
        query_vector=text_embed.tolist(),  # Convertir le tenseur en liste
        limit=max_results,
    )
    return [
        gr.Audio(
            value=hit.payload['audio_path'],
            label=f"style: {hit.payload['style']} -- score: {hit.score}")
        for hit in hits
    ]

with gr.Blocks() as demo:
    gr.Markdown(
        """# Base de données de recherche de sons """
    )
    inp = gr.Textbox(placeholder="Quel son recherchez-vous ?")
    out = [gr.Audio(label=f"{x}") for x in range(max_results)]  # Nécessaire d'avoir des objets différents
    inp.change(fn=sound_search, inputs=inp, outputs=out)

demo.launch()